阿尔瓦罗·卡特亚;阿里巴斯,伊马诺·佩雷斯;莱安德罗·桑切兹·贝当古 使用路径签名的双重执行策略。 (英语) Zbl 1505.91360号 SIAM J.财务。数学。 1379-1417(2022)第4期第13页. 摘要:我们利用股票和外汇市场的预期特征来推导最优的双重执行交易策略。随机过程路径的签名是一个实数序列,它提供了过程演化的完整描述。双重执行策略最大化了在外国股票市场上清算大宗股票的投资者的财富(以本国货币为单位)。我们的方法不依赖于模型,因为我们没有指定市场的动态。我们证明,最优策略是市场预期特征中各术语的线性组合,并使用纳斯达克的高频数据和各种货币的高频数据来计算市场特征。采用10只股票和4对货币的数据来实施该策略。我们的结果表明,基于签名的双重执行策略的性能优于基准测试的性能。在大多数情况下,当市场特征随着标准普尔500指数跟踪机构SPY的价格动态而增强时,表现更佳的股票进一步上涨。 引用于1文件 MSC公司: 91G15型 金融市场 关键词:最佳执行;价格影响;签名;机器学习;高频交易;数字加密货币;信号 PDF格式BibTeX公司 XML格式引用 \textit{阿尔卡特亚}等人,SIAM J.Financ。数学。13,第4号,1379--1417(2022;Zbl 1505.91360) 全文: 内政部 参考文献: [1] K.Bechler和M.Ludkovski,动态订单流失衡下的最优执行,SIAM J.Financial Math。,6(2015),第1123-1151页,https://doi.org/10.1137/140992254。 ·兹比尔1326.93128 [2] H.Boedihardjo、X.Geng、T.Lyons和D.Yang,《粗糙道路的签名:独特性》,高级数学。,293(2016),第720-737页·Zbl 1347.60094号 [3] H.Buehler、L.Gonon、J.Teichmann和B.Wood,深度对冲,Quant。《金融》,19(2019),第1-21页·Zbl 1420.91450 [4] Aλ。Cartea、R.Donnelly和S.Jaimungal,模型不确定性算法交易,SIAM J.金融数学。,8(2017),第635-671页,https://doi.org/10.1137/16M106282X。 ·Zbl 1407.91287号 [5] Aλ。Cartea和S.Jaimungal,将订单流纳入优化执行,数学。财务。经济学。,10(2016),第339-364页·Zbl 1404.91241号 [6] Aλ。Cartea、S.Jaimungal和T.Jia,《三重外汇交易》,SSRN 30546562017年·Zbl 1448.91179号 [7] Aλ。Cartea、S.Jaimungal和J.Penalva,《算法和高频交易》,剑桥大学出版社,纽约,2015年·Zbl 1332.91001号 [8] Aλ。Cartea,S.Jaimungal和L.Saánchez-Betancourt,算法交易中的深度强化学习,摘自《金融市场中的机器学习:当代实践指南》,C.-A.Lehalle和A.Capponni编辑,剑桥大学出版社,纽约,2022年。 [9] Aλ。Cartea和L.Sánchez Betancourt,随机延迟的最优执行,金融学。,出现·Zbl 1505.91361号 [10] P.Casgrain、B.Ning和S.Jaimungal,纳什均衡的深度Q学习:纳什DQN,预印本,https://arxiv.org/abs/1904.10554,2019年。 [11] I.Goodfellow、Y.Bengio和A.Courville,《深度学习》,麻省理工学院出版社,马萨诸塞州剑桥,2016年·Zbl 1373.68009号 [12] O.Guéant,最优执行和大宗交易定价:一般框架,Appl。数学。《金融》,22(2015),第336-365页·Zbl 1396.91687号 [13] O.Gueíant,《市场流动性的金融数学:从最优执行到做市》,Chapman&Hall/CRC Financ。数学。序列号。第33卷,CRC出版社,佛罗里达州博卡拉顿,2016年·Zbl 1338.91006号 [14] O.Gueíant,《最优做市》,应用。数学。《金融》,24(2017),第112-154页·兹比尔1398.91520 [15] O.Gueíant、C.-A.Lehalle和J.Fernandez-Tapia,《限制指令下的最优投资组合清算》,SIAM J.Financial Math。,3(2012年),第740-764页·Zbl 1262.91160号 [16] O.Gueíant和I.Manziuk,《公司债券做市深度强化学习:战胜维度诅咒》,Appl。数学。《金融》,第26期(2019年),第387-452页·兹比尔1433.91194 [17] L.G.Gyurkoí、T.Lyons、M.Kontkowski和J.Field,《从金融数据流的签名中提取信息》,预印本,https://arxiv.org/abs/1307.7244, 2013. [18] J.M.Hutchinson、A.W.Lo和T.Poggio,《通过学习网络对衍生证券进行定价和对冲的非参数方法》,《金融杂志》,49(1994),第851-889页。 [19] J.Kalsi、T.Lyons和I.Perez Arribas,粗糙路径签名的最优执行,SIAM J.Financial Math。,11(2020年),第470-493页·Zbl 1443.91263号 [20] T.Leung和X.Li,带交易成本和止损退出的最优均值回归交易,国际期刊Theor。申请。《金融》,18(2015),1550020·Zbl 1337.91156号 [21] T.Lyons,《粗糙路径、签名和流上函数的建模》,预印本,https://arxiv.org/abs/1405.4537, 2014. ·Zbl 1373.93158号 [22] T.Lyons、M.Caruana和T.Leívy,《粗糙路径驱动的微分方程》,Springer,纽约,2007年·Zbl 1176.60002号 [23] T.Lyons、S.Nejad和I.P.Arribas,《异国衍生品的非参数定价和对冲》,预印本,https://arxiv.org/abs/1905.00711, 2019. ·Zbl 1466.91346号 [24] T.Lyons、S.Nejad和I.Perez Arribas,使用粗糙路径签名的离散时间奇异衍生品无模型定价的数值方法,Appl。数学。《金融》,(2020年),第1-15页·Zbl 1437.91431号 [25] T.Lyons、H.Ni和H.Oberhauser,流的特征集和高频金融滴答数据的应用,载于《2014年国际大数据科学与计算会议论文集》,2014年,第1-8页。 [26] O.Mounjid和C.-A.Lehalle,《改进强化学习算法:朝向最优学习率策略》,预印本,https://arxiv.org/abs/1911.02319,2019年。 [27] B.Ning、F.H.T.Ling和S.Jaimungal,《优化执行的双深度Q学习》,预印本,https://arxiv.org/abs/1812.06600, 2018. 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。